作者：Jonathan Hui

本文由六大部分組成，涵蓋深度學習 ( DL ) 項目的整個過程。我們將使用一個自動漫畫著色項目來說明深度學習的設(shè)計、程序調(diào)試和參數(shù)調(diào)整過程。

本文主題為「如何啟動一個深度學習項目？」，分為以下六個部分：

第一部分：啟動一個深度學習項目

第二部分：創(chuàng)建一個深度學習數(shù)據(jù)集

第三部分：設(shè)計深度模型

第四部分：可視化深度網(wǎng)絡(luò)模型及度量指標

第五部分：深度學習網(wǎng)絡(luò)中的調(diào)試

第六部分：改善深度學習模型性能及網(wǎng)絡(luò)調(diào)參

第一部分：啟動一個深度學習項目

應該選擇什么樣的項目？

很多人工智能項目其實并沒有那么嚴肅，做起來還很有趣。2017 年初，我著手啟動了一個為日本漫畫上色的項目，并作為我對生成對抗網(wǎng)絡(luò) ( GAN ) 研究的一部分。這個問題很難解決，但卻很吸引人，尤其是對于我這種不會畫畫的人來說！在尋找項目時，不要局限于增量性改進，去做一款適銷對路的產(chǎn)品，或者創(chuàng)建一種學習速度更快、質(zhì)量更高的新模型。

調(diào)試深度網(wǎng)絡(luò)（DN）非常棘手

訓練深度學習模型需要數(shù)百萬次的迭代，因此查找 bug 的過程非常艱難，而且容易崩壞。因此我們要從簡單的地方著手，循序漸進，例如模型的優(yōu)化（如正則化）始終可以在代碼調(diào)試完成后進行。此外，我們還需要經(jīng)常可視化預測結(jié)果和模型度量標準，并且我們首先需要令模型跑起來，這樣就有一個可以后退的基線。我們最好不要陷在一個很大的模型，并嘗試將所有的模塊都弄好。

度量和學習

宏偉的項目計劃可能帶慘烈的失敗。多數(shù)個人項目的第一個版本會持續(xù)兩到四個月，這個時間非常短暫，因為研究、調(diào)試和實驗都需要花費大量的時間。一般我們安排這些復雜的實驗，使其通宵運行，到第二天清晨時，我們希望得到足夠的信息來采取下一步行動。在早期階段，這些實驗不應超過 12 小時，這是一條良好的經(jīng)驗法則。為了做到這一點，我們將漫畫上色項目范圍縮小到單個動畫人物的上色。此外，我們需要設(shè)計很多測試，因此借助它們分析模型在實驗中的不足之處。一般這些測試不要計劃得太遠，我們需要快速度量、學習，并為下一步設(shè)計提供足夠的反饋。

研究與產(chǎn)品

當我們在 2017 年春季開始討論漫畫上色項目時，Kevin Frans 有一個 Deepcolor 項目，用 GAN 為漫畫添加色彩提示。

?

在確定目標時，你會花很大力氣來確保項目完成后仍然具有意義。GAN 模型相當復雜，2017 年初還沒達到嵌入產(chǎn)品所需的質(zhì)量水準。然而，如果你把應用范圍縮小到產(chǎn)品可以巧妙處理的程度，你就可以把質(zhì)量提高到商用水準。為此，無論著手啟動何種 DL 項目，都要把握好模型泛化、容量和準確性之間的平衡。

成本

必須使用 GPU 來訓練實際模型。它比 CPU 快 20 到 100 倍。價格最低的亞馬遜 GPU p2.xlarge 站點實例要價 7.5 美元/天，而 8 核 GPU 的價格則高達 75 美元/天。在我們的漫畫上色項目中，一些實驗花費的時間就超過兩天，因此平均每周花費至少需要 150 美元。至于更快的 AWS 實例，花費可能高達 1500 美元/周。我們可以購買獨立計算機，而不是使用云計算。2018 年 2 月，搭載 Nvidia GeForce GTX 1080 Ti 的臺式機售價約為 2200 美元。在訓練精調(diào)的 VGG 模型時，它比 P2 實例大約要快 5 倍。

時間線

我們將開發(fā)分為四個階段，最后三個階段在多次迭代中進行。

項目研究

模型設(shè)計

實現(xiàn)及調(diào)試

實驗及調(diào)參

項目研究

我們會先對現(xiàn)有產(chǎn)品進行研究，以探索它們的弱點。許多 GAN 類型的解決方案使用空間顏色提示，圖案有點不清晰，有時還會出現(xiàn)顏色混雜。我們?yōu)樽约旱捻椖吭O(shè)定了兩個月的時間框架，其中有兩個優(yōu)先事項：生成不帶提示的顏色及提高顏色保真度。我們的目標是：

在單個動畫角色上為灰度漫畫著色，且不使用空間顏色提示。

站在巨人的肩膀上

接下來，我們需要了解相關(guān)的研究和開源項目，許多人在開始實踐之前至少要看幾十篇論文和項目。例如，當我們深入研究 GAN 時，發(fā)現(xiàn)有十幾個新的 GAN 模型: DRAGAN、cGAN、LSGAN 等，閱讀研究論文可能會很痛苦，但非常有意義。

深度學習 ( DL ) 代碼簡練，但很難排查缺陷，且很多研究論文常常遺漏了實現(xiàn)細節(jié)。許多項目始于開源實現(xiàn)，解決的問題也很相似，因此我們可以多多搜索開源項目。因此我們在 GitHub 上查看了不同 GAN 變體的代碼實現(xiàn)，并對它們進行若干次測試。

第二部分：創(chuàng)建一個深度學習數(shù)據(jù)集

深度學習項目的成功取決于數(shù)據(jù)集的質(zhì)量。在本文的第 2 部分中，我們將探討創(chuàng)建優(yōu)質(zhì)訓練數(shù)據(jù)集的核心問題。

?

公開及學術(shù)數(shù)據(jù)集

對于研究項目，可以搜索已建立的公開數(shù)據(jù)集。這些數(shù)據(jù)集可以提供更整齊的樣本和基線模型性能。如果你有多個可用的公開數(shù)據(jù)集，請選擇與你的問題最相關(guān)且質(zhì)量最好的樣本。

自定義數(shù)據(jù)集

對于實際問題，我們需要來自問題領(lǐng)域的樣本。首先嘗試查找公共數(shù)據(jù)集。關(guān)于創(chuàng)建高質(zhì)量自定義數(shù)據(jù)集的研究還有所欠缺。如果沒有可用的資料，請搜尋你可以抓取數(shù)據(jù)的位置。該位置通常有很多參考，但數(shù)據(jù)質(zhì)量通常較低，還需要投入大量精力進行整理。在抓取樣本之前，要專門抽出時間評估所有選項并選擇最相關(guān)的選項。

高質(zhì)量數(shù)據(jù)集應該包括以下特征：

類別均衡

數(shù)據(jù)充足

數(shù)據(jù)和標記中有高質(zhì)量信息

數(shù)據(jù)和標記錯誤非常小

與你的問題相關(guān)

不要一次爬取所有數(shù)據(jù)。我們經(jīng)常借助標簽和分類來抓取網(wǎng)站樣本，從而獲取與我們的問題相關(guān)的數(shù)據(jù)。最好的爬取方法是在你的模型中訓練、測試少量樣本，并根據(jù)得到的經(jīng)驗教訓改善抓取方法。

清理你抓取的數(shù)據(jù)非常重要，否則，即使最好的模型設(shè)計也達不到與人類水平相當?shù)谋憩F(xiàn)。Danbooru 和 Safebooru 是兩個非常受歡迎的動漫人物來源，但是一些深入學習的應用程序偏愛 Getchu，以獲得更高質(zhì)量的繪圖。我們可以使用一組標簽從 Safebooru 下載圖像，并直觀地檢查樣本并運行測試來分析錯誤（表現(xiàn)不佳的樣本）。

模型訓練和視覺評估都提供了進一步的信息來細化我們的標簽選擇。隨著迭代的繼續(xù)，我們將學到更多，并逐漸進行樣本積累。我們還需要使用分類器進一步過濾與問題無關(guān)的樣本，如清除所有人物過小的圖像等。與學術(shù)數(shù)據(jù)集相比，小型項目收集的樣本很少，在適當情況下可以應用遷移學習。

下面的左圖由 PaintsChainer 提供，右圖由最終的模型上色：

?

我們決定用一些訓練樣本來對算法進行測試。結(jié)果并沒有給人驚喜，應用的顏色較少，樣式也不正確。

?

?

由于對模型進行了一段時間的訓練，我們知道什么樣的繪圖表現(xiàn)欠佳。正如預期的那樣，結(jié)構(gòu)錯綜復雜的繪圖更難上色。

?

這說明好好選擇樣本非常重要。作為一款產(chǎn)品，PaintsChainer 專注于它們擅長的線條類型，這點非常明智。這次我使用了從互聯(lián)網(wǎng)上挑選的干凈線條藝術(shù)，結(jié)果再次給人驚喜。

?

這里有一些經(jīng)驗教訓：數(shù)據(jù)沒有好壞之分，只是有些數(shù)據(jù)不能滿足你的需求。此外，隨著樣本類別的增加，訓練和保持輸出質(zhì)量會變得更加困難，刪除不相關(guān)的數(shù)據(jù)可以得到一個更好的模型。

在開發(fā)早期，我們認識到一些繪圖有太多錯綜復雜的結(jié)構(gòu)。在不顯著增加模型容量的情況下，這些繪圖在訓練中產(chǎn)生的價值很小，因此最好不要使用，否則只會影響訓練效率。

第三部分：深度學習設(shè)計

第三部分介紹了一些高層次的深度學習策略，接下來我們將詳細介紹最常見的設(shè)計選擇，這可能需要一些基本的 DL 背景。

簡單靈活

設(shè)計初始要簡單、小巧。在學習階段，人們腦海中會充斥大量很酷的觀念。我們傾向于一次性把所有細節(jié)都編碼進來。但這是不現(xiàn)實的，最開始就想要超越頂尖的結(jié)果并不實際。從較少網(wǎng)絡(luò)層和自定義開始設(shè)計，后面再做一些必要的超參數(shù)精調(diào)方案。這些都需要查證損失函數(shù)一直在降低，不要一開始就在較大的模型上浪費時間。

在簡短的 Debug 之后，我們的模型經(jīng)過 5000 次迭代產(chǎn)生了簡單的結(jié)果。但至少該模型所上的顏色開始限制在固定區(qū)域內(nèi)，且膚色也有些顯露出來。

?

在模型是否開始上色上，以上結(jié)果給了我們有價值的反饋。所以不要從大模型開始，不然你會花費大量時間 Debug 和訓練模型。

優(yōu)先性以及增量設(shè)計

首先為了創(chuàng)造簡單的設(shè)計，我們需要選出優(yōu)先項。把復雜問題分解成小問題，一步一步解決。做深度學習的正確策略是快速的執(zhí)行學到的東西。在跳到使用無暗示（no hints）模型之前，我們先使用帶有空間顏色暗示的模型。不要一步跳到「無暗示」模型設(shè)計，例如我們首先去掉暗示中的空間信息，顏色質(zhì)量會急劇下降，所以我們轉(zhuǎn)變優(yōu)先性，在做下一步前先精煉我們的模型。在設(shè)計模型的過程中，我們會遇到許多驚喜。相比于做個要不斷改變的長期計劃，還不如以優(yōu)先性驅(qū)動的計劃。使用更短、更小的設(shè)計迭代，從而保證項目可管理性。

避免隨機改進

首先分析自己模型的弱點，而不是隨意地改進，例如用雙向 LSTM 或者 PReLU。我們需要根據(jù)可視化模型誤差（表現(xiàn)極差的場景）以及性能參數(shù)來確定模型問題。隨意做改進反而適得其反，會成比例的增加訓練成本，而回報極小。

限制

我們把限制應用到網(wǎng)絡(luò)設(shè)計，從而保證訓練更高效。建立深度學習并不是簡單的把網(wǎng)絡(luò)層堆在一起。增加好的限制（constraints）能使得學習更為有效，或者更智能。例如，應用注意機制，能讓網(wǎng)絡(luò)知道注意哪里，在變分自編碼器中，我們訓練隱藏因子使其服從正態(tài)分布。在設(shè)計中，我們應用去噪方法通過歸零除去空間顏色暗示的大量分數(shù)。啼笑皆非的是，這使得模型能更好地學習、泛化。

設(shè)計細節(jié)

文章接下來的部分，將討論深度學習項目中會遇到的一些常見的設(shè)計選擇。

深度學習軟件框架

自谷歌 2015 年 11 月發(fā)布 TensorFlow 以來，短短 6 個月就成為了最流行的深度學習框架。雖然短期看起來難有競爭對手，但一年后 Facebook 就發(fā)布了 PyTorch，且極大的受研究社區(qū)的關(guān)注。到 2018 年，已經(jīng)有大量的深度學習平臺可供選擇，包括 TensorFlow、PyTorch、Caffe、Caffe2、MXNet、CNTK 等。

一些研究員之所以轉(zhuǎn)向 PyTorch 有一主要因素：PyTorch 設(shè)計上注重端用戶（end-user)，API 簡單且直觀。錯誤信息可以直觀地理解，API 文檔也非常完整。PyTorch 中的特征，例如預訓練模型、數(shù)據(jù)預處理、載入常用數(shù)據(jù)集都非常受歡迎。

TensorFlow 也非常棒，但目前為止它還是采用自下而上的方式，使其變得極為復雜。TensorFlow 的 API 很冗長，Debug 也不一樣，它大概有十幾種建立深度網(wǎng)絡(luò)的 API 模型。

截止到 2018 年 2 月，TensorFlow 依然獨占鰲頭。開發(fā)者社區(qū)依然是是最大的。這是非常重要的因素。如果你想要用多個機器訓練模型，或者把推理引擎部署到移動手機上，TensorFlow 是唯一的選擇。然而，如果其他平臺變得更加專注端用戶，我們可以預見將會有更多從小項目轉(zhuǎn)向中級項目。

隨著 TensorFlow 的發(fā)展，有很多 API 可供選擇來建立深度網(wǎng)絡(luò)。最高層的 API 是提供隱式積分的評估器，而 TensorBoard 提供了性能評估。最低層的 API 非常冗長，在許多模塊中都有?，F(xiàn)在，它用封裝器 API 合并到了 tf.layers、tf.metrics 和 tf.losses 模塊，從而更容易地建立深度網(wǎng)絡(luò)層。

對想要更直觀 API 的研究者來說，還有 Keras、TFLearn、TF-Slim 等可以選擇，這些都可直接在 TensorFlow 上使用。我建議是選擇帶有所需要的預訓練模型與工具（來下載數(shù)據(jù)集）的框架，此外在學術(shù)界，用 Keras API 做原型設(shè)計相當流行。

遷移學習

不要做重復的工作。許多深度學習軟件平臺都有 VGG19、ResNet、Inception v3 這樣的預訓練模型。從頭開始訓練非常耗費時間。就像 2014 年 VGG 論文中所說的，「VGG 模型是用 4 塊英偉達 Titan Black GPU 訓練的，根據(jù)架構(gòu)訓練單個網(wǎng)絡(luò)需要 2-3 周的時間?！?/p>

許多預訓練模型可用于解決深度學習難題。例如，我們使用預訓練 VGG 模型提取圖像特征，并將這些特征反饋到 LSTM 模型來生成描述。許多預訓練模型都用 ImageNet 數(shù)據(jù)集訓練，如果你的目標數(shù)據(jù)和 ImageNet 差別不大，我們將固定大部分模型參數(shù)，只重新訓練最后幾個完全連接的層。否則，我們就要使用訓練數(shù)據(jù)集對整個網(wǎng)絡(luò)進行端到端的重訓練。但是在這兩種情況下，由于模型已經(jīng)過預訓練，再訓練所需的迭代將大大減少。由于訓練時間較短，即使訓練數(shù)據(jù)集不夠大，也可以避免過擬合。這種遷移學習在各個學科都很有效，例如用預先訓練好的英語模型訓練漢語模型。

然而，這種遷移學習僅適用于需要復雜模型來提取特征的問題。在我們的項目中，我們的示例與 ImageNet 不同，我們需要對模型進行端到端的重新訓練。然而，當我們只需要相對簡單的潛在因素（顏色）時，來自 VGG19 的訓練復雜度太高。因此，我們決定建立一個新的更簡單的 CNN 特征提取模型。

成本函數(shù)

并非所有的成本函數(shù)都是等價的，它會影響模型的訓練難度。有些成本函數(shù)是相當標準的，但有些問題域需要仔細考慮。

分類問題：交叉熵，折頁損失函數(shù)（SVM）

回歸：均方誤差（MSE）

對象檢測或分割：交并比（IoU）

策略優(yōu)化：KL 散度

詞嵌入：噪音對比估計（NCE）

詞向量：余弦相似度

在理論分析中看起來不錯的成本函數(shù)在實踐中可能不太好用。例如，GAN 中鑒別器網(wǎng)絡(luò)的成本函數(shù)采用了更為實用也更經(jīng)得起實驗考驗的方法，而不是理論分析中看起來不錯的方法。在一些問題域中，成本函數(shù)可以是部分猜測加部分實驗，也可以是幾個成本函數(shù)的組合。我們的項目始于標準 GAN 成本函數(shù)。此外，我們還添加了使用 MSE 和其他正則化成本的重建成本。然而，如何找到更好的成本函數(shù)是我們項目中尚未解決的問題之一，我們相信它將對色彩保真度產(chǎn)生重大影響。

度量標準

良好的度量標準有助于更好地比較和調(diào)整模型。對于特殊問題，請查看 Kaggle 平臺，該平臺組織了許多 DL 競賽，并提供了詳細的度量標準。不幸的是，在我們的項目中，你很難定義一個精確的公式來衡量藝術(shù)渲染的準確性。

正則化

L1 正則化和 L2 正則化都很常見，但 L2 正則化在深度學習中更受歡迎。

L1 正則化有何優(yōu)點？L1 正則化可以產(chǎn)生更加稀疏的參數(shù)，這有助于解開底層表示。由于每個非零參數(shù)會往成本上添加懲罰，與 L2 正則化相比，L1 更加青睞零參數(shù)，即與 L2 正則化中的許多微小參數(shù)相比，它更喜歡零參數(shù)。L1 正則化使過濾器更干凈、更易于解釋，因此是特征選擇的良好選擇。L1 對異常值的脆弱性也較低，如果數(shù)據(jù)不太干凈，運行效果會更好。然而，L2 正則化仍然更受歡迎，因為解可能更穩(wěn)定。

梯度下降

始終密切監(jiān)視梯度是否消失或爆炸，梯度下降問題有許多可能的原因，這些原因難以證實。不要跳至學習速率調(diào)整或使模型設(shè)計改變太快，小梯度可能僅僅由編程 Bug 引起，如輸入數(shù)據(jù)未正確縮放或權(quán)重全部初始化為零。

如果消除了其他可能的原因，則在梯度爆炸時應用梯度截斷（特別是對于 NLP）。跳過連接是緩解梯度下降問題的常用技術(shù)。在 ResNet 中，殘差模塊允許輸入繞過當前層到達下一層，這有效地增加了網(wǎng)絡(luò)的深度。

縮放

縮放輸入特征。我們通常將特征縮放為以零為均值在特定范圍內(nèi)，如 [-1, 1]。特征的不適當縮放是梯度爆炸或降低的一個最常見的原因。有時我們從訓練數(shù)據(jù)中計算均值和方差，以使數(shù)據(jù)更接近正態(tài)分布。如果縮放驗證或測試數(shù)據(jù)，要再次利用訓練數(shù)據(jù)的均值和方差。

批歸一化和層歸一化

每層激活函數(shù)之前節(jié)點輸出的不平衡性是梯度問題的另一個主要來源，必要時需要對 CNN 應用批量歸一化（BN）。如果適當?shù)貥藴驶s放）輸入數(shù)據(jù)，DN 將學習得更快更好。在 BN 中，我們從每批訓練數(shù)據(jù)中計算每個空間位置的均值和方差。例如，批大小為 16，特征圖具有 10 X10 的空間維度，我們計算 100 個平均值和 100 個方差（每個位置一個）。每個位置處的均值是來自 16 個樣本的對應位置平均值，我們使用均值和方差來重新歸一化每個位置的節(jié)點輸出。BN 提高了準確度，同時縮短了訓練時間。

然而，BN 對 RNN 無效，我們需要使用層歸一化。在 RNN 中，來自 BN 的均值和方差不適合用來重新歸一化 RNN 單元的輸出，這可能是因為 RNN 和共享參數(shù)的循環(huán)屬性。在層歸一化中，輸出由當前樣本的層輸出計算的平均值和方差重新歸一化。一個含有 100 個元素的層僅使用來自當前輸入的一個平均值方差來重新歸一化該層。

Dropout

可以將 Dropout 應用于層以歸一化模型。2015 年批量歸一化興起之后，dropout 熱度降低。批量歸一化使用均值和標準差重新縮放節(jié)點輸出。這就像噪聲一樣，迫使層對輸入中的變量進行更魯棒的學習。由于批量歸一化也有助于解決梯度下降問題，因此它逐漸取代了 Dropout。

結(jié)合 Dropout 和 L2 正則化的好處是領(lǐng)域特定的。通常，我們可以在調(diào)優(yōu)過程中測試 dropout，并收集經(jīng)驗數(shù)據(jù)來證明其益處。

激活函數(shù)

在 DL 中，ReLU 是最常用的非線性激活函數(shù)。如果學習速率太高，則許多節(jié)點的激活值可能會處于零值。如果改變學習速率沒有幫助，我們可以嘗試 leaky ReLU 或 PReLU。在 leaky ReLU 中，當 x < 0 時，它不輸出 0，而是具有小的預定義向下斜率（如 0.01 或由超參數(shù)設(shè)置）。參數(shù) ReLU（PReLU）往前推動一步。每個節(jié)點將具有可訓練斜率。

拆分數(shù)據(jù)集

為了測試實際性能，我們將數(shù)據(jù)分為三部分: 70 % 用于訓練，20 % 用于驗證，10 % 用于測試。確保樣本在每個數(shù)據(jù)集和每批訓練樣本中被充分打亂。在訓練過程中，我們使用訓練數(shù)據(jù)集來構(gòu)建具有不同超參數(shù)的模型。我們使用驗證數(shù)據(jù)集來運行這些模型，并選擇精確度最高的模型。但是保險起見，我們使用 10 % 的測試數(shù)據(jù)進行最后的錯亂檢查。如果你的測試結(jié)果與驗證結(jié)果有很大差異，則應將數(shù)據(jù)打亂地更加充分或收集更多的數(shù)據(jù)。

基線

設(shè)置基線有助于我們比較模型和 Debug，例如我們可使用 VGG19 模型作為分類問題的基線。或者，我們可以先擴展一些已建立的簡單模型來解決我們的問題。這有助于我們更好地了解問題，并建立性能基線進行比較。在我們的項目中，我們修改了已建立的 GAN 實現(xiàn)并重新設(shè)計了作為基線的生成網(wǎng)絡(luò)。

檢查點

我們定期保存模型的輸出和度量以供比較。有時，我們希望重現(xiàn)模型的結(jié)果或重新加載模型以進一步訓練它。檢查點允許我們保存模型以便以后重新加載。但是，如果模型設(shè)計已更改，則無法加載所有舊檢查點。我們也使用 Git 標記來跟蹤多個模型，并為特定檢查點重新加載正確的模型。我們的設(shè)計每個檢查點占用 4gb 空間。在云環(huán)境中工作時，應相應配置足夠的存儲。我們經(jīng)常啟動和終止 Amazon 云實例，因此我們將所有文件存儲在 Amazon EBS 中，以便于重新連接。

自定義層

深度學習軟件包中的內(nèi)建層已經(jīng)得到了更好的測試和優(yōu)化。盡管如此，如果想自定義層，你需要：

用非隨機數(shù)據(jù)對前向傳播和反向傳播代碼進行模塊測試；

將反向傳播結(jié)果和樸素梯度檢查進行對比；

在分母中添加小量的?或用對數(shù)計算來避免 NaN 值。

歸一化

深度學習的一大挑戰(zhàn)是可復現(xiàn)性。在調(diào)試過程中，如果初始模型參數(shù)在 session 間保持變化，就很難進行調(diào)試。因此，我們明確地對所有隨機發(fā)生器初始化了種子。我們在項目中對 python、NumPy 和 TensorFlow 都初始化了種子。在精調(diào)過程中，我們我們關(guān)閉了種子初始化，從而為每次運行生成不同的模型。為了復現(xiàn)模型的結(jié)果，我們將對其進行 checkpoint，并在稍后重新加載它。

優(yōu)化器

Adam 優(yōu)化器是深度學習中最流行的優(yōu)化器之一。它適用于很多種問題，包括帶稀疏或帶噪聲梯度的模型。其易于精調(diào)的特性使得它能快速獲得很好的結(jié)果。實際上，默認的參數(shù)配置通常就能工作得很好。Adam 優(yōu)化器結(jié)合了 AdaGrad 和 RMSProp 的優(yōu)點。Adam 對每個參數(shù)使用相同的學習率，并隨著學習的進行而獨立地適應。Adam 是基于動量的算法，利用了梯度的歷史信息。因此，梯度下降可以運行得更加平滑，并抑制了由于大梯度和大學習率導致的參數(shù)振蕩問題。

Adam 優(yōu)化器調(diào)整

Adam 有 4 個可配置參數(shù)：

學習率（默認 0.001）；

β1：第一個矩估計的指數(shù)衰減率（默認 0.9）；

β2：第二個矩估計的指數(shù)衰減率（默認 0.999），這個值在稀疏梯度問題中應該被設(shè)置成接近 1；

?（默認值 1e^-8）是一個用于避免除以零運算的小值。

β（動量）通過累積梯度的歷史信息來平滑化梯度下降。通常對于早期階段，默認設(shè)置已經(jīng)能工作得很好。否則，最可能需要改變的參數(shù)應該是學習率。

總結(jié)

以下是對深度學習項目的主要步驟的簡單總結(jié)：

? Define task (Object detection, Colorization of line arts)
? Collect dataset (MS Coco, Public web sites)
 ? ?? Search for academic datasets and baselines
 ? ?? Build your own (From Twitter, News, Website,…)
? Define the metrics
 ? ?? Search for established metrics
? Clean and preprocess the data
 ? ?? Select features and transform data 
 ? ?? One-hot vector, bag of words, spectrogram etc...
 ? ?? Bucketize, logarithm scale, spectrogram
 ? ?? Remove noise or outliers 
 ? ?? Remove invalid and duplicate data
 ? ?? Scale or whiten data
? Split datasets for training, validation and testing
 ? ?? Visualize data
 ? ?? Validate dataset
? Establish a baseline
 ? ?? Compute metrics for the baseline
 ? ?? Analyze errors for area of improvements
? Select network structure
 ? ?? CNN, LSTM…
? Implement a deep network
 ? ?? Code debugging and validation
 ? ?? Parameter initialization
 ? ?? Compute loss and metrics
 ? ?? Choose hyper-parameters
 ? ?? Visualize, validate and summarize result
 ? ?? Analyze errors
 ? ?? Add layers and nodes
 ? ?? Optimization
? Hyper-parameters fine tunings
? Try our model variants

?

?

第四部分：可視化深度神經(jīng)網(wǎng)絡(luò)模型和指標

在為深度神經(jīng)網(wǎng)絡(luò)排除故障方面，人們總是太快、太早地下結(jié)論了。在了解如何排除故障前，我們要先考慮要尋找什么，再花費數(shù)小時時間追蹤故障。這部分我們將討論如何可視化深度學習模型和性能指標。

TensorBoard

在每一步追蹤每個動作、檢查結(jié)果非常重要。在預置包如 TensorBoard 的幫助下，可視化模型和性能指標變得簡單，且獎勵幾乎是同時的。

數(shù)據(jù)可視化（輸入、輸出）

驗證模型的輸入和輸出。在向模型饋送數(shù)據(jù)之前，先保存一些訓練和驗證樣本用于視覺驗證。取消數(shù)據(jù)預處理。將像素值重新調(diào)整回 [0, 255]。檢查多個批次，以確定我們沒有重復相同批次的數(shù)據(jù)。左下圖像是一些訓練樣本，右下方驗證樣本。

?

有時，驗證輸入數(shù)據(jù)的直方圖很棒。完美情況下，它應該是以 0 為中心的，區(qū)間在 -1 和 1 之間。如果特征在不同的尺度中，那么梯度要么下降要么爆炸（根據(jù)學習率而定）。

?

定期保存對應模型的輸出，用于驗證和誤差分析。例如，驗證輸出中的顏色稍淺。

?

指標（損失 & 準確率）

除了定期記錄損失和準確率之外，我們還可以記錄和繪制它們，以分析其長期趨勢。下圖是 TensorBoard 上展示的準確率和交叉熵損失。

繪制損失圖能夠幫助我們調(diào)整學習率。損失的任意長期上升表明學習率太高了。如果學習率較低，則學習的速度變慢。

這里是另一個學習率太高的真實樣本。我們能看到損失函數(shù)突然上升（可能由梯度突然上升引起）。

我們使用準確率圖調(diào)整正則化因子。如果驗證和訓練準確率之間存在很大差距，則該模型出現(xiàn)過擬合。為了緩解過擬合，我們需要提高正則化因子。

小結(jié)

權(quán)重 & 偏置：我們緊密監(jiān)控權(quán)重和偏置。下圖是層 1 在不同訓練迭代中的權(quán)重和偏置。出現(xiàn)大型（正／負）權(quán)重是不正常的。正態(tài)分布的權(quán)重表明訓練過程很順利（但是也不一定）。

激活：為了梯度下降以實現(xiàn)最佳性能，激活函數(shù)之前的節(jié)點輸出應該呈正態(tài)分布。如果不是，那么我們可能向卷積層應用批歸一化，或者向 RNN 層應用層歸一化。我們還監(jiān)控激活函數(shù)之后無效節(jié)點（0 激活）的數(shù)量。

梯度：我們監(jiān)控每一層的梯度，以確定一個最嚴肅的深度學習問題：梯度消失或爆炸。如果梯度從最右層向最左層快速下降，那么就出現(xiàn)了梯度消失問題。

這或許不是很常見：我們可視化了 CNN 濾波器。它識別出模型提取的特征的類型。如下圖所示，前兩個卷積層在檢測邊界和顏色。

對于 CNN，我們可以看到特征圖在學習什么。

Visualizing and Understanding Convolutional Networks, Matthew D Zeiler et al.

這種圖像重建很少進行。但是在生成模型中，我們經(jīng)常改變一個潛在因子、保持其他不變。它驗證該模型是否在智能地學習。

Dynamic Routing Between Capsules, Sara Sabour, Nicholas Frosst, Geoffrey E Hinton

第五部分：調(diào)試深度學習網(wǎng)絡(luò)

深度學習的問題解決步驟

在前期開發(fā)中，我們會同時遇到多個問題。就像前面提到的，深度學習訓練由數(shù)百萬次迭代組成。找到 bug 非常難，且容易崩潰。從簡單開始，漸漸做一些改變。正則化這樣的模型優(yōu)化可以在代碼 degug 后做。以功能優(yōu)先的方式檢查模型：

把正則化因子設(shè)置為 0；

不要其他正則化（包括 dropouts);

使用默認設(shè)置的 Adam 優(yōu)化器；

使用 ReLU;

不要數(shù)據(jù)增強；

更少的深度網(wǎng)絡(luò)層；

擴大輸入數(shù)據(jù)，但不要非必要預處理；

不要在長時間訓練迭代或者大 batch size 上浪費時間。

用小量的訓練數(shù)據(jù)使模型過擬合是 debug 深度學習的最好方式。如果在數(shù)千次迭代內(nèi)，損失值不下降，進一步 debgug 代碼。準確率超越瞎猜的概念，你就獲得了第一個里程碑。然后對模型做后續(xù)的修改：增加網(wǎng)絡(luò)層和自定義；開始用完整訓練數(shù)據(jù)做訓練；通過監(jiān)控訓練和驗證數(shù)據(jù)集之間的準確率差別，來增加正則化控制過擬合。

如果卡住了，去掉所有東西，從更小的問題開始上手。

初始化超參數(shù)

許多超參數(shù)與模型優(yōu)化更為相關(guān)。關(guān)掉超參數(shù)或者使用缺省值。使用 Adam 優(yōu)化器，它速度快、高效且缺省學習率也很好。前期的問題主要來自于 bug，而不是模型設(shè)計和精調(diào)問題。在做微調(diào)之前，先過一遍下面的檢查列表。這些問題更常見，也容易檢查。如果損失值還沒下降，就調(diào)整學習率。如果損失值降的太慢，學習率增加 10。如果損失值上升或者梯度爆炸，學習率降低 10。重復這個過程，直到損失值逐漸下降。典型的學習率在 1 到 1e-7 之間。

檢查列表

數(shù)據(jù)：

可視化并檢查輸入數(shù)據(jù)（在數(shù)據(jù)預處理之后，饋送到模型之前）；

檢查輸入標簽的準確率（在數(shù)據(jù)擾動之后）；

不要一遍又一遍的饋送同一 batch 的數(shù)據(jù)；

適當?shù)目s放輸入數(shù)據(jù)（一般可縮放到區(qū)間 (-1, 1) 之間，且具有零均值）；

檢查輸出的范圍（如，在區(qū)間 (-1, 1) 之間）；

總是使用訓練集的平均值/方差來重新調(diào)節(jié)驗證/測試集；

模型所有的輸入數(shù)據(jù)有同樣的維度；

獲取數(shù)據(jù)集的整體質(zhì)量（是否有太多異常值或者壞樣本）。

模型：

模型參數(shù)準確的初始化，權(quán)重不要全部設(shè)定為 0；

對激活或者梯度消失/爆炸的網(wǎng)絡(luò)層做 debug（從最右邊到最左邊）；

對權(quán)重大部分是 0 或者權(quán)重太大的網(wǎng)絡(luò)層做 debug；

檢查并測試損失函數(shù)；

對預訓練模型，輸入數(shù)據(jù)范圍要匹配模型中使用的范圍；

推理和測試中的 Dropout 應該總是關(guān)掉。

權(quán)重初始化

把權(quán)重全部初始化到 0 是最常見的錯誤，深度網(wǎng)絡(luò)也學不到任何東西。權(quán)重要按照高斯分布做初始化：

縮放與歸一化

人們對縮放與歸一化都有很好地理解，但這仍舊是最被輕視的問題之一。如果輸入特征和節(jié)點輸出都被歸一化，就能更容易地訓練模型。如果做的不準確，損失值就不會隨著學習率降低。我們應該監(jiān)控輸入特征和每層節(jié)點輸出的的直方圖。要適當?shù)目s放輸入。而對節(jié)點的輸出，完美的形狀是零均值，且值不太大（正或負）。如果不是且遇到該層有梯度問題，則在卷積層做批歸一化，在 RNN 單元上做層歸一化。

損失函數(shù)

檢查和測試損失函數(shù)的準確性。模型的損失值一定要比隨機猜測的值低。例如，在 10 類別分類問題中，隨機猜測的的交叉熵損失是-ln(1/10)。

分析誤差

檢查表現(xiàn)不好（誤差）的地方并加以改進，且對誤差進行可視化。在我們的項目中，模型表現(xiàn)對結(jié)構(gòu)高度糾纏的圖像表現(xiàn)不好。例如，增加更多帶有更小濾波器的卷積層來解開小特征。如果有必要就增強數(shù)據(jù)或者收集更多類似的樣本來更好的訓練模型。在一些情景下，你可能想要移除這些樣本，限制在更聚焦的模型。

?

正則化精調(diào)

關(guān)掉正則化（使得模型過擬合）直到做出合理的預測。

一旦模型代碼可以工作了，接下來調(diào)整的參數(shù)是正則化因子。我們需要增加訓練數(shù)據(jù)的體量，然后增加正則化來縮小訓練和驗證準確率之間的差別。不要做的太過分，因為我們想要稍微讓模型過擬合。密切監(jiān)測數(shù)據(jù)和正則化成本。長時間尺度下，正則化損失不應該控制數(shù)據(jù)損失。如果用大型正則化還不能縮小兩個準確率間的差距，那先 degug 正則化代碼或者方法。

類似于學習率，我們以對數(shù)比例改變測試值，例如開始時改變 1/10。注意，每個正則化因子都可能是完全不同的數(shù)量級，我們可以反復調(diào)整這些參數(shù)。

多個損失函數(shù)

在第一次實現(xiàn)中，避免使用多個數(shù)據(jù)損失函數(shù)。每個損失函數(shù)的權(quán)重可能有不同的數(shù)量級，也需要一些精力去調(diào)整。如果我們只有一個損失函數(shù)，就可以只在意學習率了。

固定變量

當我們使用預訓練模型，我們可以固定特定層的模型參數(shù)，從而加速計算。一定要再次檢查是否有變量固定的錯誤。

單元測試

正如極少會被談到的，我們應該對核心模塊進行單元測試，以便于代碼改變時實現(xiàn)依舊穩(wěn)健。如果其參數(shù)用隨機發(fā)生器（randomizer）做初始化，檢查一個網(wǎng)絡(luò)層的輸出不太簡單。另外，我們可以模仿輸入數(shù)據(jù)、檢查輸出。對每個模塊（層），我們可以檢查：

訓練和推理輸出的形狀；

可訓練變量的數(shù)量（不是參數(shù)的數(shù)量）。

維度誤匹配

要一直跟蹤 Tensor（矩陣）的形狀，并將其歸檔到代碼中。對形狀是 [N, channel, W, H ] 的 Tensor，如果 W（寬）和 H（高）有同樣的維度，二者交換代碼不會出錯。因此，我們應該用非對稱形狀做代碼單元測試。例如，我們用 [4, 3]Tensor，而非 [4, 4] 做測試。

第六部分：提升深度學習模型性能及網(wǎng)絡(luò)調(diào)參

提升模型容量

要想提升模型容量，我們可以向深度網(wǎng)絡(luò)（DN）逐漸添加層和節(jié)點。更深的層會輸出更復雜的模型。我們還可以降低濾波器大小。較小的濾波器（3×3 或 5×5）性能通常優(yōu)于較大的濾波器。

調(diào)參過程更重實踐而非理論。我們逐漸添加層和節(jié)點，可以與模型過擬合，因為我們可以用正則化方式再將其調(diào)低。重復該迭代過程直到準確率不再提升，不再值得訓練、計算性能的降低。

但是，GPU 的內(nèi)存是有限的。截止 2018 年初，高端顯卡 NVIDIA GeForce GTX 1080 TI 的內(nèi)存為 11GB。兩個仿射層之間隱藏節(jié)點的最大數(shù)量受內(nèi)存大小的限制。

對于非常深層的網(wǎng)絡(luò)，梯度消失問題很嚴重。我們可以添加跳躍連接（類似 ResNet 中的殘差連接）來緩解該問題。

模型 & 數(shù)據(jù)集設(shè)計變化

以下是提升性能的檢查列表：

在驗證數(shù)據(jù)集中分析誤差（糟糕的預測結(jié)果）；

監(jiān)控激活函數(shù)。在激活函數(shù)不以零為中心或非正態(tài)分布時，考慮批歸一化或?qū)託w一化；

監(jiān)控無效節(jié)點的比例；

使用梯度截斷（尤其是 NLP 任務中）來控制梯度爆炸問題；

Shuffle 數(shù)據(jù)集（手動或通過程序）；

平衡數(shù)據(jù)集（每個類別具備相似數(shù)量的樣本）。

我們應該在激活函數(shù)之前密切監(jiān)控激活直方圖。如果它們的規(guī)模差別很大，那么梯度下降將會無效。使用歸一化。如果深度網(wǎng)絡(luò)有大量無效節(jié)點，那么我們應該進一步追蹤該問題。它可能是由 bug、權(quán)重初始化或梯度消失導致的。如果都不是，則試驗一些高級 ReLU 函數(shù)，如 leaky ReLU。

數(shù)據(jù)集收集 & 清洗

如果你想構(gòu)建自己的數(shù)據(jù)集，那么最好的建議就是仔細研究如何收集樣本。找最優(yōu)質(zhì)的資源，過濾掉與你問題無關(guān)的所有數(shù)據(jù)，分析誤差。在我們的項目中，具備高度糾纏結(jié)構(gòu)的圖像性能非常糟糕。我們可以添加卷積層和小型濾波器來改變模型。但是模型已經(jīng)很難訓練了。我們可以添加更多糾纏樣本做進一步訓練，但是已經(jīng)有了很多了……另一種方式：我們可以精細化項目范圍，縮小樣本范圍。

數(shù)據(jù)增強

收集有標簽的數(shù)據(jù)是一件昂貴的工作。對于圖片來說，我們可以使用數(shù)據(jù)增強方法如旋轉(zhuǎn)、隨機剪裁、移位等方式來對已有數(shù)據(jù)進行修改，生成更多的數(shù)據(jù)。顏色失真則包括色調(diào)、飽和度和曝光偏移。

?

半監(jiān)督學習

我們還可以使用無標注數(shù)據(jù)補充訓練數(shù)據(jù)。使用模型分類數(shù)據(jù)。把具備高置信預測的樣本添加到具備對應標簽預測的訓練數(shù)據(jù)集中。

調(diào)整

學習率調(diào)整

我們先簡單回顧一下如何調(diào)整學習率。在早期開發(fā)階段，我們關(guān)閉任意非關(guān)鍵超參數(shù)或設(shè)置為 0，包括正則化。在具備 Adam 優(yōu)化器的情況下，默認學習率通常性能就很好了。如果我們對自己的代碼很有信心，但是損失并沒有下降，則需要調(diào)整學習率。典型的學習率在 1 和 1e-7 之間。每次把學習率降低 10%，并在簡短迭代中進行測試，密切監(jiān)控損失。如果它持續(xù)上升，那么學習率太高了。如果它沒有下降，則學習率太低。提高學習率，直到損失提前變得平緩。

下面是一個真實樣本，展示了學習率太高的情況，這導致成本突然上漲：

在不經(jīng)常用的實踐中，人們監(jiān)控 W ratio 的更新情況：

如果 ratio > 1e-3，則考慮調(diào)低學習率；

如果 ratio < 1e-3，則考慮提高學習率。

超參數(shù)調(diào)整

在模型設(shè)計穩(wěn)定后，我們也可以進一步調(diào)整模型。最經(jīng)常調(diào)整的超參數(shù)是：

mini-batch 尺寸；

學習率；

正則化因子；

特定層的超參數(shù)（如 dropout）。

Mini-batch 尺寸

通常的批尺寸是 8、16、32 或 64。如果批尺寸太小，則梯度下降不會很順暢，模型學習的速度慢，損失可能會振蕩。如果批尺寸太大，則完成一次訓練迭代（一輪更新）的時間太長，得到的返回結(jié)果較小。在我們的項目中，我們降低批尺寸，因為每次訓練迭代時間太長。我們密切監(jiān)控整個學習速度和損失。如果損失振蕩劇烈，則我們會知道批尺寸降低的幅度太大了。批尺寸影響正則化因子等超參數(shù)。一旦我們確定好批尺寸，我們通常就鎖定了值。

學習率 & 正則化因子

我們可以使用上述方法進一步調(diào)整學習率和正則化因子。我們監(jiān)控損失，來控制學習率和驗證與訓練準確率之間的差距，從而調(diào)整正則化因子。我們沒有把學習率降低 10%，而是降低 3%（精細調(diào)整中或許更小）。

調(diào)參不是線性過程。超參數(shù)是有關(guān)聯(lián)的，我們將反復調(diào)整超參數(shù)。學習率和正則化因子高度相關(guān)，有時需要一起調(diào)。不要太早進行精細調(diào)整，有可能浪費時間。設(shè)計改變的話這些努力就白費了。

Dropout

Dropout 率通常在 20% 到 50% 之間。我們先從 20% 開始。如果模型出現(xiàn)過擬合，則提高值。

其他調(diào)整

稀疏度

激活函數(shù)

模型參數(shù)的稀疏度能使計算優(yōu)化變得簡單，并減少能耗（這對于移動設(shè)備來說至關(guān)重要）。如果需要，我們可以用 L1 正則化替代 L2 正則化。ReLU 是最流行的激活函數(shù)。對于一些深度學習競賽，人們使用更高級的 ReLU 變體以提高準確率。在一些場景中它還可以減少無效節(jié)點。

高級調(diào)參

一些高級精細調(diào)參方法：

學習率衰減調(diào)度

動量（Momentum）

早停

我們沒有使用固定的學習率，而是定期降低學習率。超參數(shù)包括學習率下降的頻率和幅度。例如，你可以在每十萬次迭代時減少 0.95 的學習率。要調(diào)整這些參數(shù)，我們需要監(jiān)控成本，以確定參數(shù)下降地更快但又不至于過早平緩。

高級優(yōu)化器使用動量使梯度下降過程流暢進行。Adam 優(yōu)化器中存在兩種動量設(shè)置，分別控制一階（默認 0.9）和二階（默認 0.999）動量。對于具備梯度陡降的問題領(lǐng)域如 NLP，我們可以稍稍提高動量值。

當驗證誤差持續(xù)上升時，過擬合可通過停止訓練來緩解。

但是，這只是概念的可視化。實時誤差可能暫時上升，然后再次下降。我們可以定期檢查模型，記錄對應的驗證誤差。稍后我們來選擇模型。

網(wǎng)格搜索

一些超參數(shù)是高度相關(guān)的。我們應該使用對數(shù)尺度上的可能性網(wǎng)格一起調(diào)整它們。例如：對于兩個超參數(shù)λ和γ，我們從相應的初始值開始，并在每個步驟中將其降低 10 倍：

（e-1, e-2, … and e-8）；

（e-3, e-4, … and e-6）。

相應的網(wǎng)格會是 [(e-1, e-3), (e-1, e-4), … , (e-8, e-5) 和 (e-8, e-6)]。

我們沒有使用明確的交叉點，而是稍微隨機移動了這些點。這種隨機性可能會幫助我們發(fā)現(xiàn)一些隱藏的性質(zhì)。如果最佳點位于網(wǎng)格的邊界（藍色點），我們則會在邊界區(qū)域進行重新測試。

網(wǎng)格搜索的計算量很大。對于較小的項目，它們會被零星使用。我們開始用較少的迭代來調(diào)整粗粒度參數(shù)。在后期的細調(diào)階段，我們會使用更長的迭代，并將數(shù)值調(diào)至 3（或更低）。

模型集合

在機器學習中，我們可以從決策樹中投票進行預測。這種方法非常有效，因為判斷失誤通常是有局部性質(zhì)的：兩個模型發(fā)生同一個錯誤的幾率很小。在深度學習中，我們可以從隨機猜測開始訓練（提交一個沒有明確設(shè)置的隨機種子），優(yōu)化模型也不是唯一的。我們可以使用驗證數(shù)據(jù)集測試多次選出表現(xiàn)最佳的模型，也可以讓多個模型進行內(nèi)部投票，最終輸出預測結(jié)果。這種方式需要進行多個會話，肯定非常耗費系統(tǒng)資源。我們也可以訓練一次，檢查多個模型，隨后在這個過程中選出表現(xiàn)最佳的模型。通過集合模型，我們可以基于這些進行準確的預測：

每個模型預測的「投票」；

基于預測置信度進行加權(quán)投票。

模型集合在提高一些問題的預測準確率上非常有效，經(jīng)常會被深度學習數(shù)據(jù)競賽的隊伍所采用。

模型提升

在微調(diào)模型以外，我們也可以嘗試使用模型的不同變體來提升性能。例如，我們可以考慮使用色彩生成器部分或全部替代標準 LSTM。這種概念并不陌生：我們可以分步繪制圖片。

?

直觀地說，在圖像生成任務中引入時間序列方法是有優(yōu)勢的，這種方法已經(jīng)在 DRAW: A Recurrent Neural Network For Image Generation 中被證明過了。

微調(diào)與模型提升

性能重大提升的背后往往是模型設(shè)計的改變。不過有些時候?qū)δＰ瓦M行微調(diào)也可以提升機器學習的性能。最終的判斷可能會取決于你對相應任務的基準測試結(jié)果。

Kaggle

在開發(fā)過程中，你或許會有一些簡單的問題，如：我需要使用 Leak ReLU 嗎？。有時候問題很簡單，但你永遠無法在任何地方找到答案。在一些論文中，你會看到 Leak ReLU 的優(yōu)越性，但另一些項目的經(jīng)驗顯示并沒有性能提升。太多的項目，太多的變量都缺乏衡量多種可能性的驗證結(jié)果。Kaggle 是一個數(shù)據(jù)科學競賽的開放平臺，其中深度學習是很重要的一部分。深入觀察一些優(yōu)秀選手的方法，你或許就可以找到最為普遍的性能指標了。而且，一些數(shù)據(jù)競賽團隊還會把自己的代碼（被稱為 kernel）上傳開源。只要留心探索，Kaggle 會是一個很棒的信息源。

實驗框架

深度學習開發(fā)需要依賴大量經(jīng)驗，調(diào)節(jié)超參數(shù)是一件非常乏味的工作。創(chuàng)建一個實驗框架可以加速這一過程。例如：一些人會開發(fā)代碼將模型定義外化為字符串以便調(diào)節(jié)。然而這些努力通常不能為小團隊帶來收益。以我的經(jīng)驗，這樣做的話代碼的簡潔性和可追溯性損失會遠比受益要大，這意味著難以對代碼進行簡單的修改。易于閱讀的代碼必然有著簡潔和靈活的特性。與此相反，很多 AI 云產(chǎn)品已經(jīng)開始提供自動調(diào)節(jié)超參數(shù)的特性。雖然目前這種技術(shù)仍處于初始階段，但無需人類自己編寫框架的流程應該是大勢所趨，請時刻注意這一趨勢。

結(jié)論

現(xiàn)在，你已擁有了調(diào)整完畢的模型，可以正式部署了。希望這個系列教程對你有所幫助。深度學習可以幫助我們解決很多問題——其適用范圍超出你的想象。想使用深度學習代替前端設(shè)計？你可以嘗試一下 pix2code！

審核編輯：黃飛

?